背景
高移动性的车辆环境下,车辆经历断断续续的阻塞,需要频繁的波束重新对准以保持高数据速率的传输链路,目前ieee802.11 ad所采用的解决方案不能满足许多车辆应用中低开销和低延迟的要求
贡献
提出了一种新的框架,利用机器学习工具和态势感知的可用性来预测毫米波波束功率。使用车辆位置作为特征来预测波束码本中任何波束的接收功率,低或几乎为零的反馈开销
方法
一、数据集建立
A、仿真场景
B、信道模型
从射线跟踪输出中,可得到路径信息(L条多径)
信道模型表达式:
Codebook产生:[18]总共 发射天线数量*接收天线数量 个波束对
推出接收信号功率:
则寻找最佳波束对方法:
C、功率量化
为什么要功率量化:基站无法通过信道反馈获得接收端的功率的准确值,只有量化后的CQIs和相应的束对索引被反馈给基础结构,因此,在表I的第一行,是由(2)得到的仿真连续接收功率,需要被某种量化规则量化。
学习模型
概述:对环境特征的编码规则和预测波束功率的方法
效果:可以预测第一、第二强度。。。的波束
A、编码几何结构
对位置编码:使用简单的笛卡尔坐标系,坐标原点设置在接收端
***特征向量***如下,其中r为RSU在笛卡尔坐标下的位置,t代表卡车,c代表低高度的汽车,下标1和2表示车辆所在的车道索引。
t1向量表示如下,并且按照x坐标排序,保持数组向量内始终N对元素,多则删,少则添加虚拟卡车的坐标使得x->无穷
B、反馈问题
接收端反馈到发射端的信息包括最佳的M个波束的接收功率以及相应的波束对索引*。然而波束对的功率有限,我们对他们的功率按照降序排列:
对前M个进行表I第四行的回归操作。
性能评估
A、性能指标的定义
真实功率、和预测功率分别为:
对齐概率:
定义实现吞吐量比值:
B、回归模型
各种回归方法的精度,结果显示随机森林回归最有效,因为它能够隐式地选择特征,并通过集合进行很好的概括。此外,随机森林训练速度快,是一种很有前途的学习方法,可以应用于工业现场实现
C、不同等级的环境感知
结论:第一车道和第二车道的位置信息包含很多与波束选择相关的信息,低高度的车两影响不大